⚡ electrical engineering

TimoDS: A comprehensive and synthetically generated dataset of Timoshenko steel beams with general elastic supports and responses to elementary unit load cases

تقدم هذه الورقة TimoDS، وهو مجموعة بيانات اصطناعية شاملة تتكون من 60,000 حالة لعوارض فولاذية من نوع تيموشينكو ذات دعامات مرنة عامة وحالات تحميل أولية، والتي تعمل كمعيار معتمد لتدريب البدائل القائمة على التعلم الآلي في الميكانيكا الإنشائية.

المؤلفون الأصليون: Youssef Derrazi, Diego Hernán Peluffo-Ordóñez, Juan Carlos Torres Cantero

نُشر 2026-08-13

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Youssef Derrazi, Diego Hernán Peluffo-Ordóñez, Juan Carlos Torres Cantero

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك مهندس معماري أو مهندس مدني تحاول بناء جسر، أو ناطحة سحاب، أو حتى رف كتب بسيط. قبل أن تصب قطرة خرسانة واحدة أو تلحم عارضة معدنية واحدة، عليك أن تخمن كيف سيكون سلوكها. هل ستنحني أكثر من اللازم؟ هل ستنكسر؟ هل ستتأرجح في الرياح؟ تقليديًا، يستخدم المهندسون برامج حاسوبية قوية لمحاكاة هذه السيناريوهات. هذه البرامج تشبه محركات ألعاب الفيديو شديدة التفصيل التي تحسب فيزياء كل قطعة معدنية على حد التمام. إنها دقيقة، لكنها بطيئة أيضًا. إذا كنت تريد اختبار مليون تصميم مختلف للعثور على التصميم المثالي، أو إذا كنت بحاجة إلى معرفة كيفية استجابة مبنى لزلزال في الوقت الفعلي، فإن انتظار الحاسوب لمعالجة الأرقام لكل محاولة هو أمر يشبه محاولة عد كل حبة رمل على الشاطئ عن طريق التقاطها واحدة تلو الأخرى.

لتسريع الأمور، بدأ العلماء في استخدام "النماذج البديلة" (surrogate models). فكر في هذه النماذج كاختصارات ذكية للغاية. فبدلاً من حساب الفيزياء من الصفر في كل مرة، تقوم بتدريب "عقل حاسوبي" (نموذج تعلم آلي) على مكتبة ضخمة من الأمثلة. وبمجرد تدريبه، يمكن لهذا العقل تخمين الإجابة في لمح البصر. لكن هنا تكمن العقبة: لتعليم هذا العقل، تحتاج إلى مكتبة ضخمة ومثالية من الأمثلة. وفي العالم الحقيقي، الحصول على بيانات واقعية أمر مكلف وخطير (لا يمكنك ببساطة إسقاط مبنى لترى ما سيحدث). لذا، يضطر الباحثون إلى إنشاء هذه المكتبات باستخدام عمليات المحاكاة. وقد كان التحدي الكبير هو التأكد من أن المكتبات المحاكاتية متنوعة بما يكفي لتغطية كل المواقف الممكنة — من عارضة مثبتة بشكل فضفاض عند أطرافها إلى أخرى مثبتة بإحكام شديد — وأن تكون صحيحة فيزيائيًا، حتى لا يؤدي هذا الاختصار إلى كارثة.

وهنا يأتي دور مجموعة بيانات جديدة تسمى TimoDS. إنها تشبه كتاب وصفات اصطناعي ضخم للعارضات الفولاذية، تم إنشاؤه بالكامل بواسطة الحواسيب ولكن صُمم ليكون واقعيًا قدر الإمكان. تقدم الورقة البحثية TimoDS، وهي مجموعة تضم 60,000 سيناريو مختلف من نوع "ماذا لو" للعارضات الفولاذية. لم يكتفِ الباحثون باختيار أرقام عشوائية؛ بل بنوا مسارًا مؤتمتًا ومتطورًا لتوليد هذه السيناريوهات. لقد قاموا بمحاكاة عارضات مصنوعة من الفولاذ الأوروبي القياسي (تحديدًا مقاطع IPE وHEA وHEB)، واختبروها تحت ستة أنواع مختلفة من "الدفعات" و"الالتواءات" الأساسية (الأحمال والعزوم الموحدة). وتكمن روعة TimoDS في أنها تغطي الطيف الكامل لكيفية تثبيت العارضة. فبدلاً من اختبار العارضات التي تكون إما حرة تمامًا أو مثبتة تمامًا، تختبر TimoDS عارضات مثبتة بواسطة "دعامات مرنة" — تخيل أطراف العارضة مستندة على نوابض (زُنبركات) يمكن أن تكون ناعمة كالفراش أو صلبة كالصخر. وهذا يسمح لمجموعة البيانات بتغطية كل منطقة وسطى ممكنة.

لكل عارضة من العارضات الـ 60,000، تسجل مجموعة البيانات بدقة كيفية استجابة العارضة. فهي لا تعطيك مجرد رقم واحد مثل "انحنت بمقدار 5 سنتيمترات"، بل ترسم مسار القصة الكاملة لحركة العارضة، وقوتها، وطاقتها عند 21 نقطة مختلفة على طول طولها. وهذا يخلق مخرجًا هائلًا يضم 253 نقطة بيانات لكل عارضة منفردة، مما يلتقط كل شيء من مدى التواء العارضة إلى مقدار الطاقة المخزنة داخلها. وقد تحقق الباحثون من أن عمليات المحاكاة الحاسوبية الخاصة بهم تلتزم بقوانين الفيزياء تمامًا، حيث تأكدوا من توازن القوى وحفظ الطاقة. حتى أنهم قاموا بإصلاح خلل صغير في البرنامج الذي استخدموه لضمان أن أرقام الطاقة دقيقة بنسبة 100%.

ولإثبات أن مجموعة البيانات هذه مفيدة حقًا، قام المؤلفون بتدريب نموذج تعلم آلي بسيط على حالة حمل واحدة فقط من الحالات الست. كانت النتائج مبهرة: فقد تعلم النموذج التنبؤ بكيفية انحناء العارضة والتفافها بدقة عالية. والأفضل من ذلك، أظهروا أن النموذج يمكنه استخدام مبدأ يسمى "التراكب" (superposition) لمعرفة كيفية استجابة العارضة لمزيج معقد من الأحمال لم يره من قبل، وذلك ببساطة عن طريق جمع الإجابات من الحالات الأساسية التي تعلمها. وهذا يشير إلى أن TimoDS ليست مجرد مجموعة ثابتة من الأرقام؛ بل هي أداة قوية يمكنها مساعدة المهندسين في تدريب الذكاء الاصطناعي لتصميم هياكل أكثر أمانًا وكفاءة في المستقبل، مما يحول عملية حسابية بطيئة وثقيلة إلى تخمين سريع كالبرق يحترم قوانين الفيزياء.

ملخص تقني: مجموعة بيانات TimoDS

بيان المشكلة

يعيق نقص البيانات عالية الجودة والمتاحة للعموم عملية تطوير النماذج البديلة القائمة على البيانات في الميكانيكا الإنشائية. فمجموعات البيانات التجريبية الحالية غالبًا ما تكون مكلفة، وضيقة النطاق، وتفشل في تغطية كامل فضاء المعلمات المطلوب للتعميم. علاوة على ذلك، تعاني العديد من مجموعات البيانات الاصطناعية الموجودة من عدة قيود: فهي غالبًا ما تركز على أعضاء معزولة بظروف حدودية قياسية (مثل المسند البسيط أو المثبت كليًا) بدلاً من الاستمرارية في القيود المرنة المتوسطة الموجودة في الهياكل الحقيقية؛ كما أنها غالبًا ما يتم إنتاجها عبر إجراءات عشوائية تفتقر إلى الأتمتة الكاملة وقابلية التكرار؛ وعادة ما توفر مخرجات قياسية فقط بدلاً من التوزيعات المكانية الكاملة للاستجابات الإنشائية. تحد هذه الفجوات من فائدة مجموعات البيانات للنماذج المتطورة مثل الشبكات العصبية المستوحاة من الفيزياء (PINNs) والشبكات العصبية الرسومية (GNNs) التي تعمل على حقول موزعة مكانياً.

المنهجية

تقدم الورقة TimoDS، وهي مجموعة بيانات مُولدة اصطناعياً تتكون من 60,000 حالة لعوارض فولاذية من نوع "تيموشينكو" (Timoshenko) ذات دعامات مرنة عامة. عملية التوليد عبارة عن مسار مؤتمت بالكامل وقابل للتكرار يتم تنفيذه داخل بيئة النمذجة البارامترية Grasshopper باستخدام إضافة Finite Element المسمى Karamba3D.

النموذج الميكانيكي

تعتمد مجموعة البيانات على نموذج عارضة تيموشينكو خطي استاتيكي بطول $L$ ومقطع عرضي ثابت $\Sigma$ . يأخذ النموذج في الاعتبار:

المادة: فولاذ متجانس متناحي مرن خطي ( $E = 210$ جيجا باسكال، $\nu = 0.33$ ).
المقاطع العرضية: مقاطع فولاذية أوروبية من عائلات IPE وHEA وHEB (66 مقطعاً مختلفاً).
الظروف الحدودية: دعامات مرنة عامة عند كلا الطرفين (A و B)، محددة بـ 12 معلمة صلابة (3 معاملات انتقال $k$ و 3 معاملات دوران $c$ لكل طرف). تغطي هذه المعلمات استمرارية من الحالة الحرة إلى الحالة شبه المثبتة، حيث تم أخذ العينات في فضاء لوغاريتمي بالنسبة لصلابة العارضة المميزة.
حالات التحميل: يتم النظر في ست حالات تحميل وحدة أولية بشكل مستقل: ثلاثة أحمال نقطية وحدة ( $\vec{F} = \vec{e}_x, \vec{e}_y, \vec{e}_z$ ) وثلاثة عزوماً نقطية وحدة ( $\vec{C} = \vec{e}_x, \vec{e}_y, \vec{e}_z$ ). يتم تطبيق كل حمل عند موضع نسبي $\alpha$ على طول محور العارضة.

مسار توليد البيانات

أخذ العينات: تُستخدم طريقة أخذ العينات بالتربيع اللاتيني (LHS) مع بذرة ثابتة (2) لضمان التغطية الموحدة لفضاء المدخلات ذي الـ 15 بُعداً (طول العارضة، موضع الحمل، اختيار المقطع، و12 معامل صلابة لا بُعدي).
المحاكاة: لكل حالة من الـ 60,000 حالة، يقوم رسم بياني بارامتري في Grasshopper/Karamba3D بتجميع العارضة، وتطبيق الظروف الحدودية والحمل المحدد، وحل المسألة الاستاتيكية الخطية.
استرجاع المخرجات: يسترجع المسار الكميات الكينماتيكية (الإزاحات والدورات) والقوى الداخلية (القوة المحورية، قوى القص، الالتواء، عزوم الانحناء) عند 21 موضعاً متساوياً المسافات على طول محور العارضة. كما يحسب إجمالي طاقة الانفعال المرنة.
التصحيح: تمت معالجة تباين منهجي في مخرجات الطاقة الداخلية لبرنامج Karamba3D (الذي يتجاهل الطاقة المخزنة في نوابض الدعم في حالات الدعم الصلب). تتضمن مجموعة البيانات قيمة طاقة انفعال مصححة ( $\hat{U}_D$ ) تمت إعادة حسابها عبر التكامل العددي لحقول القوة الداخلية لتحقيق نظرية الشغل والطاقة.

المساهمات الرئيسية

مجموعة بيانات شاملة: توفر TimoDS 60,000 مسألة عارضة محددة بالكامل مع دعامات مرنة عامة، تغطي نطاقاً واسعاً من المعلمات الهندسية والحدودية.
الدقة المكانية: على عكس العديد من مجموعات البيانات التي توفر مخرجات قياسية، توفر TimoDS توزيعات مكانية كاملة لـ 12 كمية فيزيائية تم أخذ عينات منها عند 21 نقطة، مما ينتج عنه متجه مخرجات يحتوي على 253 كمية لكل حالة.
قابلية التكرار: يتم توليد مجموعة البيانات بالكامل عبر مسار ذاتي القيادة وحتمي باستخدام بذرة عشوائية ثابتة، مما يسمح بإعادة التوليد بدقة. الأكواد والسكربتات متاحة للعموم.
القدرة على التراكب: من خلال توفير الاستجابات لحالات تحميل الوحدة الأولية، تعمل مجموعة البيانات كمكتبة ديسكريت (منفصلة) لدوال التأثير. ونظراً لخطية نموذج تيموشينكو، يمكن إعادة بناء الاستجابات لتوزيعات التحميل التعسفية عبر التراكب دون الحاجة لحلول إضافية.
الاتساق الفيزيائي: تخضع مجموعة البيانات للتحقق الصارم، مما يؤكد أن بقايا التوازن ضمن دقة الآلة، ويتحقق من توازن الطاقة من خلال مقياس طاقة الانفعال المصحح.

النتائج والتحقق

التوصيف الإحصائي: يظهر فضاء المدخلات فك ارتباط فعال بين المعلمات الهندسية، والتحميل، والظروف الحدودية. وتظهر مساحة المخرجات السلوكيات الفيزيائية المتوقعة، مثل هيمنة الانحناء على التشوه المحوري وتأثير عائلات المقاطع (IPE مقابل HEA/HEB) على المرونة الالتوائية والانحنائية.
الاتساق الفيزيائي: تؤكد فحوصات التوازن أن بقايا القوة والعزم تقع ضمن دقة الآلة ( $\sim 10^{-16}$ إلى $10^{-15}$ ). وتحقق طاقة الانفعال المصححة $\hat{U}_D$ معادلة توازن الطاقة $2\hat{U}_D = W_{ext} - W_k$ عبر 22 رتبة مقدارية.
تجربة تعلم آلي أساسية: تم تدريب شبكة عصبية أمامية (feedforward) على حالة التحميل 2 (حمل مستعرض وحدة) للتنبؤ بحقول الاستجابة.
- حقق النموذج درجات $R^2$ عالية للقوى الداخلية ( $V_y, M_z$ ) ودوران الانحناء ( $\theta_z$ ).
- أظهرت الإزاحة المستعرضة ( $u^G_y$ ) دقة نسبية أقل في الأنظمة شبه المثبتة بسبب النطاق الديناميكي الواسع للبيانات، رغم أن $R^2$ الإجمالي ظل مرتفعاً (0.9945).
- والأهم من ذلك، نجح النموذج المدرب في إعادة بناء الاستجابات لسيناريوهات التحميل المشترك (حملين نقطيين متزامنين) عبر التراكب، مما يثبت أن النموذج المدرب على الحالات الأولية يمكنه التعميم على التحميل المعقد دون إعادة تدريب.

الأهمية والادعاءات

تضع الورقة TimoDS كمعيار قابل للاختبار لـ النماذج البديلة، والتعلم المستوحى من الفيزياء، وتعلم العمليات (operator learning) في الهندسة الإنشائية. تكمن أهميتها الأساسية في معالجة نقص البيانات الاصطناعية المتنوعة وعالية الجودة والقابلة للتكرار في هذا المجال. ومن خلال توفير حقول استجابة مكانية كاملة وتغطية الاستمرارية في الظروف الحدودية المرنة، تمكن مجموعة البيانات من تدريب نماذج يمكنها التعميم عبر التكوينات الإنشائية المتغيرة. يصرح المؤلفون صراحةً أن مجموعة البيانات مصممة لتسهيل تطوير النماذج القائمة على البيانات التي يمكن أن تعمل كمكتبات لدوال التأثير، مما يسمح بإعادة بناء الاستجابات لتوزيعات التحميل التعسفية. العمل متواضع في نطاقه، حيث يقر بوجود قيود مثل الاقتصار على سلوك المادة الخطي، والعوارض أحادية الامتداد، وإهمال تأثيرات الالتواء في التواء (warping) في التواء، ويؤطر هذه القيود كمجالات للتوسع المستقبلي بدلاً من كونها قدرات حالية.